Analisis Performansi Complex-Yolov4 Menggunakan Pendekatan Upsampling Untuk Objek Deteksi 3-Dimensi (3d) Pada Autonomous Driving

Abstract

Abstrak Penggunaan teknologi LiDAR dengan metode Complex-YOLOv4 pada pengujian dengan dataset uji KITTI (Karlsruhe Institute of Technology and Toyota Technological Institute) menjadi metode yang baik pada teknologi objek deteksi 3D secara real-time. Namun, hasil pendeteksian untuk kelas pejalan kaki dan pesepeda pada model ini masih kurang akurat dan perlu ditingkatkan. Pada Tugas Akhir ini dilakukan analisis pada backbone CSPDarknet-53 dari model Complex-YOLOv4 dengan menggunakan pendekatan upsample diantaranya yaitu bicubic, bilinear, dan nearest. Parameter yang digunakan untuk perbandingan uji performansi diantaranya precision, recall, average precision (AP), f1-score, dan mean average precision (mAP). Hasil dari tiap pendekatan upsample akan dilakukan perbandingan dengan upsample expand (upsample orisinal). Dari hasil evaluasi, upsample nearest menghasilkan mAP 88,7%. Upsample bilinear menghasilkan mAP 88,5%. Pendekatan upsample terbaik didapatkan dengan menggunakan upsample bicubic. Upsample bicubic menghasilkan mAP terbaik yaitu 88,9% dan lebih tinggi 0.2% dari upsample orisinal yang digunakan pada Complex-YOLOv4.
Kata kunci : autonomous driving, ComplexYOLOv4, LiDAR, object detection, point cloud.